RAG-IoE：在工业4.0时代，利用大型语言模型实现物联网场景感知的信息检索

《ACM Transactions on Internet of Things》：RAG-IoE: IoT context-aware information retrieval with Large Language Models in Industry 5.0

工业5.0背景下，针对IoE网络中异构动态数据的检索难题，提出RAG-IoE方案。该方案通过语义框架整合结构化搜索与向量数据库检索，结合LLM推理优化结果，有效降低操作员认知负荷并提升决策精度。实验验证其在人机协作场景中的高效性。

　　

摘要

以人为中心的设计、智能化以及无缝的互联互通是工业4.0（Industry 5.0）的核心支柱。在这些场景中，一个关键挑战是如何在万物互联（Internet of Everything, IoE）网络中高效地检索出与工作相关且具有上下文意识的信息。传统的信息检索技术难以处理工业环境中产生的异构性和动态性数据。为了解决这一问题，我们为IoE场景定义了一个具有上下文意识的数据模型，并在此基础上提出了RAG-IoE，这是一种新颖的检索增强生成（Retrieval-Augmented Generation, RAG）解决方案，能够实现从结构化和非结构化数据源中自适应、可扩展且基于上下文的信息检索。我们的方法将IoE数据组织在一个语义框架内，整合了多种检索方法：首先在知识图谱上进行结构化搜索，然后利用存储在向量数据库中的嵌入数据进行非结构化数据检索，最后通过大型语言模型（Large Language Model, LLM）驱动的推理来优化检索结果。这种架构提升了决策效率，减少了认知负担，并为工业操作人员提供了精确的指导。我们通过用户研究和定量分析验证了RAG-IoE的效率和有效性，证明了其在工业4.0环境中优化人机协作的潜力。